认识达内从这里开始

我们在上文中向大家分享了山西达内培训课程老师让学员进行的用户运营的一部分经验的讲解与介绍，那么，在用户分层的基础上，是否还有其他的用户运营方法呢？我们今天就给大家介绍一下关于用户分组的一种运营方法吧。如果您对山西达内培训课程感兴趣的话，欢迎与我们的在线咨询老师联系了解，获取详细的课程介绍。

男女性别在以消费为核心的产品中会呈现显著的区别，它就是两个相异的群体。分群的核心目标是提高运营效果，将运营策略的价值最大化，在电商产品中，区分男女很正常，但是在工具类的APP中，或许就没有必要性了。

这也是我一直强调的，分层和分群，都是以产品和运营目标为依据才能建立体系。

接下来是分群的实际应用。

RFM模型是客户管理中的经典方法，它用以衡量消费用户的价值和创利能力，是一个典型的分群。

它依托收费的三个核心指标：消费金额、消费频率和最近一次消费时间，以此来构建消费模型。

消费金额Monetary：消费金额是营销的黄金指标，二八法则指出，企业80%的收入来自20%的用户，该指标直接反应用户的对企业利润的贡献。

消费频率Frequency：消费频率是用户在限定的期间内购买的次数，最常购买的用户，忠诚度也越高。

最近一次消费时间Recency：衡量用户的流失，消费时间越接近当前的用户，越容易维系与其的关系。1年前消费的用户价值肯定不如一个月才消费的用户。

通过这三项指标，我们很容易构建出一个描述用户消费水平的坐标系，以三个指标形成一个数据立方体：

坐标系上，三个坐标轴的两端代表消费水平从低到高，用户会根据其消费水平，落到坐标系内。当有足够多的用户数据，我们就能以此划分大约八个用户群体。

比如用户在消费金额、消费频率、最近一次消费时间中都表现优秀，那么他就是重要价值用户。

如果重要价值用户最近一次消费时间距今比较久远，没有再消费了，他就变成重要挽留用户。因为他曾经很有价值，我们不希望用户流失，所以运营人员和市场人员可以专门针对这一类人群唤回。

这就是RFM模型，曾经在传统行业被频繁应用，而在以消费为主的运营体系中能够移植过来为我们所用，它既是CRM系统的核心，而是消费型用户分群的核心。

RFM模型的主流分群方式有两种。

一种是建立指标，以指标作为划分依据，和用户分层差不多。

指标的判断和设立，需要业务专家的经验：什么样的算高消费频率，什么样的算低，消费多少金额算有价值，这些都是学问。并且需要不断修正和改进。

指标一般用描述性统计的分位数，以中位数、第一四分位数、第三四分位数等划分。

另外一种是用算法，通过数据挖掘建立用户分群，不需要人工划分。最常见的算法叫KMeans聚类算法，核心思想是「物以类聚，人以群分」。

我们以网上某公司的数据进行Python建模，首先无量纲化(z-score)处理，并且清洗掉异常极值。

通过RFM三个指标(在机器学习中叫做特征)，先建立可视化的散点图。下图是最近一次收费R和收费金额M的散点图。每一个点都代表着一位用户的收费相关数据。

散点图上暂时看不出用户分群的规律，只能初步判断，大部分的数据呈集中趋势。

既然KMeans算法的核心思想是「物以类聚，人以群分」，它就是以距离作为目标函数。简而言之，在距离上越接近的两个用户，其相似的可能性也越大，于是KMeans就把相似的群体找出来，叫做簇。簇与簇之间的距离越大，用户群体间越独立，这叫群分;簇内的距离越紧凑，说明用户们越相似，这叫类聚。

通过图表说话：

红圈标出的这些用户，更有可能相似，属于同一个用户群体。因为他们在R和M这两个指标上，数据接近，都处于消费金额较低，且近期有消费的人群。

至于是不是，让算法解决吧，具体的算法原理和过程就不演示了。我们假设能划分出五类用户群体，然后看下这些人群是什么样的。

红色用户群体：代表的是高消费金额，因为数量稀少，所以在最近一次消费时间上没有明显区分，不过并不久远。这些都是产品的爸爸和金主。

绿色用户群体：代表的是有流失倾向的用户，这些用户消费金额不太多，运营可以采取适当的挽回策略。

紫色用户群体：代表的是近期消费，消费金额较少的用户，运营需要挖掘他们的价值，去发展和培养。

青色和蓝色似乎不能明显区分。那我们改一下散点图的维度呢?

改用指标R和F后，则是另外一种视角。青色用户群体比蓝色用户群体有过更多的消费次数，蓝色用户的消费频率比较差，更需要激励。紫色用户群体拥有相当高的消费频率。

到此，用户群体已经明显区分，大家是否能准确概述这些用户的特点了呢?虽然从数据分布上，长尾形态会一定程度影响可读性，但运营还是能针对不同群体作出相应的运营手段。

通过散点图矩阵观察最终的结果 (图片可能清晰度不佳)：

以上就是RFM模型的内容。它能动态的提供用户的消费轮廓，给市场、销售、产品和运营人员提供精细化运营的依据。这也是数据挖掘在用户运营的应用之一，大家要了解。

怎么划分群体是一门学问，划分的群体少了，区分度不明显;划分的多了，则没有业务价值，二十几个群体你怎么去运营?群体数量，是要在数据和业务间取得平衡。

总而言之，分群的方法，一类是通过指标和属性人工的划分出用户群体。另外一类是通过数据挖掘，给结果赋予业务意义。反正最终的目的是提高运营效果和价值。

我们可以用RFM模型，试着将思维更开阔一下，能不能玩出新花样?完全可以尝试。

金融：投资金额、投资频率、最近一次投资时间;

直播：观看直播时长、最近一次观看时间、打赏金额;

内容：评论次数、评论字数、评论被点赞数;

网站：登录次数、登录时长、最近一次登录时间;

游戏：等级、游戏时长、游戏充值金额。

这些是我简单列举的参考，未必准确，作为大家参考的他山之石。不同产品的分群策略也不一样，比如酒店产品，住宿不是一个固态的需求，是否需要加入时间的维度呢?也许住宿条件会更好分群。

需要注意的是，群体数量并不固定，可以是两个，也可以是四个，具体就看业务需求，主要是能囊括大部分用户。只是别太多，一来复杂，二来KMeans聚类在多特征的表现不算好。

通过用户分层和用户分群，想必大家已经了解了用户运营体系的基石。用户分层，是基于大方向的划分，你希望用户朝什么核心目标努力，而用户分群，则是将他们切分更细的粒度提高效果。两者是相辅相成的。

如果用户大到一定量级，分层和分群就未必是好的方法，因为用户群的属性粒度特征随着产品进一步扩大，不论怎么细分都难以满足用户的复杂性，常见于各类平台型产品。这时候需要引入用户画像(UserProfile)体系，此时的用户分层和分群，都只是画像的一部分了。

达内时代科技集团致力于培养面向电信和金融领域Java、C++、C#/.Net、3G/Android、3G/IOS、PHP、嵌入式、软件测试、UID、网络营销、网络工程、会计、UED、web、Unity3D、大数据、童程童美等17大方向中高端软件人才课程与少儿教育课程。选择太原电脑培训，不再孤军奋战，轻轻松松做IT高薪白领。太原达内培训带领有明确目标的学子迈向成功之路!想找工作的求职者可以加QQ：3373924515（太原达内就业服务部）咨询了解。